|
正好前不久 requests 的作者 kennethreitz 出了一个新库 requests-html ，它不仅可以请求网页，还可以解析 HTML 文档，话不多说，咱开始吧。 安装. 安装很简单，只要执行： pip install requests-html
就可以了。 分析页面结构 通过浏览器审查元素可以发现这个电子书网站是用 WordPress 搭建的，首页列表元素很简单，很规整， 所以我们可以查找.entry-title > a获取所有图书详情页的链接，接着我们进入详情页，来寻找下载链接. 由下图. 可以发现.download-links > a里的链接就是该书的下载链接. 回到列表页可以发现该站一共 700 多页，由此我们便可以循环列表获取所有的下载链接。 Requests-html 快速指南发送一个 GET 请求： from requests_html import HTMLSessionsession = HTMLSession()r = session.get('https:///')
Requests-html 的方便之处就是它解析 html 方式就像使用 jQuery 一样简单，比如： # 获取页面的所有链接可以这样写：r.html.links# 会返回 {'//docs./3/tutorial/', '/about/apps/'}# 获取页面的所有的绝对链接：r.html.absolute_links# 会返回 {'https://github.com/python/pythondotorg/issues', 'https://docs./3/tutorial/'}# 通过 CSS 选择器选择元素：about = r.find('.about', first=True)# 参数 first 表示只获取找到的第一元素about.text # 获取 .about 下的所有文本about.attrs # 获取 .about 下所有属性像 id, src, href 等等about.html # 获取 .about 的 HTMLabout.find('a') # 获取 .about 下的所有 a 标签
构建代码. from requests_html import HTMLSessionimport requestsimport timeimport jsonimport randomimport syssession = HTMLSession()list_url = 'http://www./page/'USER_AGENTS = [ 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1', 'Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5', 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre', 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11', 'Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10']# 获取当前列表页所有图书链接def get_list(url): response = session.get(url) all_link = response.html.find('.entry-title a') # 获取页面所有图书详情链接 for link in all_link: getBookUrl(link.attrs['href'])# 获取图书下载链接def getBookUrl(url): response = session.get(url) l = response.html.find('.download-links a', first=True) if l is not None: # 运行后发现有的个别页面没有下载链接，这里加个判断 link = l.attrs['href']; download(link)#下载图书def download(url): # 随机浏览器 User-Agent headers={ 'User-Agent':random.choice(USER_AGENTS) } # 获取文件名 filename = url.split('/')[-1] # 如果 url 里包含 .pdf if '.pdf' in url: file = 'book/'+filename # 文件路径写死了，运行时当前目录必须有名 book 的文件夹 with open(file, 'wb') as f: print('正在下载 %s' % filename) response = requests.get(url, stream=True, headers=headers) # 获取文件大小 total_length = response.headers.get('content-length') # 如果文件大小不存在，则直接写入返回的文本 if total_length is None: f.write(response.content) else: # 下载进度条 dl = 0 total_length = int(total_length) # 文件大小 for data in response.iter_content(chunk_size=4096): # 每次响应获取 4096 字节 dl += len(data) f.write(data) done = int(50 * dl / total_length) sys.stdout.write('\r[%s%s]' % ('=' * done, ' ' * (50-done)) ) # 打印进度条 sys.stdout.flush() print(filename + '下载完成！')if __name__ == '__main__': #从这运行，应为知道列表总数，所以偷个懒直接开始循环 for x in range(1,756): print('当前页面: '+ str(x)) get_list(list_url+str(x))
运行效果： 小编寄语最后小编帮助大家整理了一套python教程，下面展示了部分，希望也能帮助对编程感兴趣，想做数据分析，人工智能、爬虫或者希望从事编程开发的小伙伴，毕竟python工资也还可以，如果能帮到你请点赞、点赞、点赞。
|
